基于广义模糊吉伯斯随机场图像分割新算法

吉伯斯分布作为一种引入图像空间信息的先验模型已广泛运用于贝叶斯图像分割中．然而，由于传统该模型只在确定类上有定义，而在模糊类上未曾涉及，使得在运用该模型对一些模糊图像或退化图像进行处理时，分割效果不理想，甚至无能为力．该文针对这些不足，从模型本身出发，在传统的吉伯斯随机场模型中引入模糊概念，并针对实际多值分割特点，提出一种高效、无监督的广义模糊算法，从而实现对多值图像的精确分割．文中首先介绍一种二值的广义模糊吉伯斯随机场模型；然后将这种二值模型进行多值扩展，提出分段模糊与广义模糊吉伯斯两种实用的多值分割算法；最后将其运用于一系列医学图像分割．实验表明，文中提出的广义模糊分割算法比基于传统随机场的算法有更好的图像分割能力．     

广义模糊熵阈值法中基于粒子群优化的参数选取

针对广义模糊熵图像阈值分割法中参数m的选取问题,提出一种利用优化算法自适应选取参数的广义模糊熵阔值分割方法.该方法通过粒子群优化算法,依据图像分割质量评价准则对参数m在(0,1)区间进行全局寻优,并依据广义模糊熵最大准则对S型隶属度函数中的3个参数(a,b,d)进行全局组合寻优,从而实现了广义模糊熵图像阈值分割方法的自动阈值选取.实验结果表明,该方法对光照不均匀图像具有更好的分割效果.     

广义模糊熵图像阈值分割参数选取的ADE方法

针对广义模糊熵图像阈值分割参数不能自动选取,提出自适应差分进化（Adaptive Differential Evolution,ADE）的广义模糊熵图像阈值分割方法。利用自适应差分进化算法作为优化工具来选取广义模糊熵阈值分割所需要的最佳参数,引入自适应变异算子和提出交叉概率自适应函数对优化过程进行控制,通过把参数带入广义模糊熵的补函数得到图像的阈值,进而得到图像最优分割。为验证其有效性与可行性,分别同基本图像质量评价准则的模糊熵图像阈值分割算法和粒子群优化广义模糊熵图像阈值分割算法相比较,实验表明,针对不同细节的图片,该算法所得分割结果多数情况下背景信息更少,目标信息更清晰,用时更短,分割更稳定且效果良好。     

广义模糊Gibbs随机场与MR图像分割算法研究

为了对图像进行准确、可靠的分割,提出了一种基于广义模糊集的软分割算法,并将广义模糊集和G ibbs场结合起来,提出了广义模糊G ibbs随机场模型,同时建立了广义模糊G ibbs分割(GFGS)算法。该算法是首先把每一个分割类看作是广义模糊类,并以最大后验概率(MAP)为判别准则来决定每一个像素值的归类以及它属于该类的隶属度;然后用广义隶属度函数中负的部分来刻划数据中的异常值,使得该算法能有效地处理异常值;最后用该模糊类的质心来更新类的中心,并以人脑的仿真图像和临床MR图像进行了实验。实验结果表明,该算法能有效地滤除噪声和处理部分容积效应,是一个分割能力强、稳健性好的算法。     

基于Type-2模糊聚类的图像分割算法

模糊C均值算法是图像分割的常用方法,但该算法对噪声非常敏感。为此,提出一种新算法,在模糊C均值算法基础上引进Type-2模糊理论,以提高算法的分割准确性和鲁棒性。该算法对模糊C均值算法中每一个样本的隶属度进行分段线性拉伸,利用拉伸的结果作为一个新的隶属度函数,并用该函数对图像进行分割。实验结果表明,该算法准确性较高,且具有良好的抗噪能力。     

基于复合矢量场的改进ACM模型与医学图像分割

提出了一种基于复合矢量场的改进ACM模型分割算法。采用广义模糊理论对图像进行处理,得到较理想的边缘映射图,在此基础上构建一个复合矢量场替代原有的力场,使得图像的分割结果有了较大的改进。实验结果证明,该算法能在较大范围内捕获图像的特征、较好地处理深度凹陷区域和大曲率边缘的能力。     

红外人体图像模糊Renyi熵快速分割

针对红外人体图像目标与背景对比度低、边缘模糊、细节分辨能力差等特点,以及通常情况下的实时性处理要求,提出了一种新的有效分割方法。基于Renyi熵原理,构造了一种广义模糊熵——模糊Renyi熵;为了较快地获得分割阈值,基于混沌理论设计了一种混沌模拟退火算法,用于最佳分割阈值的搜索;把提出的模糊熵与混沌模拟退火算法相结合用于红外人体图像分割,并与几种著名的图像阈值分割方法进行了比较。实验结果表明,用该方法对红外人体图像进行分割,能得到较满意的分割结果,与其他方法相比,鲁棒性较好;对具有256级灰度的图像进行分割,其CPU耗时约为0.8 s,满足了红外人体图像分割的精确、实时性要求。     

一种双线性快速模糊增强图像边界检测最新算法*

在广义模糊集理论的基础上,给出了全新的用于模糊增强图像区域对比度的线性广义模糊算子,从而提出了一种双线性快速模糊增强图像边界检测最新算法。利用线性左半梯形模糊分布将灰度图像的普通空间集合变换为广义模糊空间集合,再利用LGFO对广义模糊集合进行区域对比度增强,把增强后的广义模糊集合变换为普通集合,最后对处理后的普通集合进行边界提取。实例表明该算法提取图像边界速度快、效果好。     

广义模糊熵阈值法中基于粒子群优化的参数选取

!针对广义模糊熵图像阈值分割法中参数m的选取问题,提出一种利用优化算法自适应选取参数的广义模糊熵阈值分割方法.该方法通过粒子群优化算法,依据图像分割质量评价准则对参数m在(0,1)区间进行全局寻优,并依据广义模糊熵最大准则对S型隶属度函数中的3个参数(a,b,d)进行全局组合寻优,从而实现了广义模糊熵图像阈值分割方法的自动阈值选取.实验结果表明,该方法对光照不均匀图像具有更好的分割效果.

     

改进的模糊C-均值聚类医学图像分割算法

针对模糊C-均值聚类算法分割图像时容易产生模糊边缘的缺点,提出了一种结合图像梯度和模糊C-均值聚类的图像分割方法.该方法利用图像梯度反映出来的目标边界,对由模糊C-均值聚类所获得的聚类区域进行分割,把因模糊性而划分到目标区域的像素点与目标区域进行分离,同时利用区域增长方法找出干扰区域并删除.将该算法应用到胰腺ERCP图像分割,实验表明,改进算法能够比较准确地分割出图像中的目标,减少因模糊聚类产生的模糊边缘.     

基于改进的模糊C均值算法的MR图像分割

在利用模糊C均值算法(FCM)对磁共振图像进行分割的基础上,提出了一种改进的模糊分割技术。实验结果表明,该方法与FCM算法相比,不仅能够更为准确地分割出人脑组织中的各个部分,同时运行速度也有明显提高。     

基于模糊熵的两种图像增强技术

基于模糊数学的图像处理技术是图像处理中的重要技术。文中基于模糊熵的概念,提出了两种新的图像增强算法:一种是基于模糊熵的图像滤波器,另一种是改进的模糊松弛迭代增强算法。前者将图像分为若干窗口,分别计算每个窗口关于不同模糊集的模糊熵,根据最小模糊熵原则,确定该窗口中心灰度的大小,该方法充分利用了图像窗口中像素的区域信息;后者对图像依次进行模糊熵滤波去除噪声,最大模糊熵阈值确定分层和模糊隶属度松弛迭代增强,该方法能够实现对图像不同层次的内容实现可控式模糊增强,提高算法的自适应性并且能够增强算法的抗噪性能。通过与传统算法的实验结果对比,验证了文中算法能够取得较好的图像增强效果。     

自动图像阈值分割算法

该文提出了一种新的图像阈值分割算法。该算法通过求取最大模糊熵准则下,灰度均值直方图的最佳模糊划分参数来确定两个模糊集A和B,图像分割阈值即选取为两个模糊集的交点。该算法用Zadth的模糊熵定义适应度函数,采用改进的遗传算法寻求最佳模糊参数。该文对遗传算法的改进包括,给出了缩短染色体码长的编码方法和性能良好的改进的单点交叉算子和均匀变异算子。实验结果表明,该算法的分割效果与二维模糊熵算法接近,而计算时间还没有用到二维模糊熵算法的一半。     

基于MS-FCM算法的MR图像分割方法

针对传统模糊C-均值(FCM)聚类算法在分割低信噪比图像时准确性较差的问题,提出一种用于MR图像分割的改进算法MS-FCM。针对脑部MR图像相邻像素属于同一分类的模糊隶属度相近的特性,在迭代过程中对隶属度数据集进行滤波,以降低噪声对聚类精度的影响。模拟脑部MR图像和临床脑部MR图像的分割实验证明,该算法可以提高图像分割精度。     

基于模糊理论的2维隶属划分Renyi熵分割算法

基于信息论中最大熵原理,提出了一种2维直方图模糊划分Renyi熵分割算法。首先介绍了模糊划分的原理,由于Renyi熵是Shannon熵的广义形式,因此用模糊概率和条件概率来定义模糊划分Renyi熵。然后在向量空间内搜索最优参数组合,利用隶属函数实现图像分割。选用3幅不同类型的图像进行MATLAB仿真实验,结果表明该方法对噪声及杂散点等干扰的抑制性能较理想,且显著优于对比方法所得结果。     

基于改进粒子群优化的模糊熵煤尘图像分割

针对基本粒子群算法易陷入局部最优和过早收敛的缺陷,提出权重因子自适应的粒子群算法,并对部分粒子进行Morlet变异操作,由此得到改进粒子群优化算法.将该算法和模糊熵相结合并用于图像分割,利用改进粒子群优化算法来搜索使模糊熵最大的参数值,得到模糊参数的最优组合,进而确定图像的分割阈值.通过与其他两种粒子群算法的分割结果进行比较,该算法取得了令人满意的分割结果,且算法运算时间较小,满足煤尘浓度实时精确测量的要求.     

蚁群模糊聚类的图像分割

蚁群算法的离散性、并行性、鲁棒性、正反馈性特点,非常适合于图像分割.但基本蚁群算法中蚂蚁运动的随机性使得算法进化速度慢且易于陷入局部最小等缺陷.提出了一种基于改进的蚁群模糊聚类的图像分割方法,给出了多种信息素的更新方式.针对算法循环次数多,计算量大的问题,综合考虑图像中像素的灰度,邻域平均灰度,梯度等特征来设置初始聚类中心进行蚁群模糊聚类.实验结果表明,该方法在图像分割中的确能够得到较好的分割结果.     

基于核模糊C均值的眼底视网膜血管分割算法

针对眼底视网膜图像对比度差、背景不一致的问题,提出了一种基于核模糊C均值的眼底视网膜血管分割算法。首先采用二维高斯匹配滤波预处理以增强血管,然后采用核模糊C均值算法对增强眼底图像进行分割,并根据血管与各类隶属度的关系自动合并聚类图像得到最终的血管图像。实验结果表明,该算法分割结果令人满意。     

一种融入局部信息的直觉模糊C-均值聚类图像分割算法

模糊C-均值(FCM)算法对图像噪声敏感,聚类过程中只考虑图像的数值特征信息而忽略像素间空间约束关系,同时单一隶属度并不能充分描述图像的不确定性,这使得基于FCM的图像分割不够准确.融入局部信息的改进FCM算法虽然对图像噪声有一定鲁棒性,但对图像细节保持不够,难以分割微小区域.针对上述问题,提出一种基于直觉模糊集的改进模糊C-均值(IFS_FCM)图像分割算法.该方法将直觉模糊集理论融入到FCM中,充分考虑图像的不确定性,同时在目标函数中引入空间邻域信息,使得该分割算法对噪声鲁棒性增强的同时还能保持图像细节信息.实验结果表明,IFS_FCM能获得更加理想的图像分割效果.     

基于组合优化算法的图像阈值分割

针对广义模糊熵图像阈值分割中参数的选取问题,采用两种算法实现自适应选取参数的广义模糊图像熵阈值分割。其中,算法二依据均匀性测度,通过遗传优化算法对参数m在(0,1)区间进行全局寻优,并以广义模糊熵为目标函数,通过粒子群优化算法,对S型隶属度函数中的参数进行全局组合寻优,从而实现广义模糊熵图像阈值分割方法的自动阈值选取。实验结果表明了算法二的有效性。